在上一篇博客中讲解了直方图均衡化的原理。
一文深入理解直方图均衡化的原理
虽然直方图均衡简单、高效；但是，图像中不同的区域灰度分布相差甚远，对它们使用同一种变换常常产生不理想的效果；
实际应用中，常常需要增强图像的某些局部区域的细节。
为了解决这类问题，Pizer等提出了局部直方图均衡化的方法(AHE)；
AHE方法仅仅考虑了局部区域的像素，忽略了图像其他区域的像素，且对于图像中相似区域具有过度放大噪声的缺点；
K. Zuiderveld等人提出了对比度受限CLAHE的图像增强方法；
通过限制局部直方图的高度来限制局部对比度的增强幅度，从而限制噪声的放大及局部对比度的过增强；
也可以被用来对图像去雾操作；
CLAHE和AHE的区别在于前者对区域对比度进行了限制，且采用插值来加快计算；
对于一幅图像而言，它不同区域的对比度可能差别很大。可能有些地方很明亮，而有些地方又很暗淡。
如果采用单一的直方图来对其进行调整显然并不是最好的选择。于是人们基于分块处理的思想提出了自适应的直方图均衡算法AHE。维基百科上说的也比较明白：AHE improves on this by transforming each pixel with a transformation function derived from a neighbourhood region. 但是这种方法有时候又会将一些噪声放大，这是我们所不希望看到的。于是荷兰乌得勒支大学的Zuiderveld教授又引入了CLAHE，利用一个对比度阈值来去除噪声的影响。特别地，为了提升计算速度以及
如果觉得《对比度受限直方图均衡化CLAHE算法原理及Opencv C++代码实现》对你有帮助，请点赞、收藏，并留下你的观点哦！
